Test legat de ghid · Mediu Nivel

Chestionar AI pentru scorul potențial

Assess how lead scoring uses historical outcomes, why class imbalance affects evaluation, and why calibration and drift monitoring matter.

Căi de ghidare aferenteAI Lead Scoring
Întrebare 1 de 8

Cum diferă în primul rând scorul potențial AI de scorul tradițional bazat pe reguli?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Cum diferă în primul rând scorul potențial AI de scorul tradițional bazat pe reguli?
    • Învață ponderi din datele istorice de conversie în loc să folosească puncte fixe
    • Contează doar deschiderile de e-mail
    • Nu necesită deloc date
    • Ignoră dimensiunea companiei și titlul postului
  2. Ce sarcină de învățare automată descrie cel mai bine să prezică dacă un client potențial se va converti?
    • Segmentarea imaginii
    • Clasificare binară
    • Recunoașterea vorbirii
    • Învățare prin întărire
  3. De ce acuratețea simplă este o măsură slabă pentru evaluarea modelelor de scoruri potențiale?
    • Accuracy directly measures calibration
    • Accuracy tells sales representatives why a lead will convert
    • Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
    • Accuracy automatically adjusts decision thresholds
  4. According to HubSpot’s lead-scoring documentation, which data can a custom score use?
    • Only a person’s name
    • Doar ora din zi
    • Unlabeled audio waveforms
    • Record actions or properties selected for the scoring model
  5. What can a lead-scoring model return for each prospect?
    • A score or estimated conversion probability, which still needs evaluation
    • A probability that is automatically calibrated by definition
    • A guaranteed sales outcome
    • A legal determination of creditworthiness
  6. What does feature importance summarize in a tree-based lead-scoring model?
    • That a feature causes conversion
    • How influential a feature is in the model’s decisions under that importance method
    • That a feature is legally required
    • The future sales quota
  7. What does calibration mean for a lead-conversion score?
    • Every lead receives the same score
    • The model’s accuracy is always 100 percent
    • Predicted probabilities match observed conversion frequencies over comparable cases
    • Scores are sorted alphabetically by company
  8. Why should a lead-scoring model be monitored after deployment?
    • The original threshold can never become outdated
    • Monitoring makes labels unnecessary
    • A model score permanently captures market behavior
    • Lead behavior and the meaning of historical patterns can drift